Bias Evaluation on Task 2 Persona E
0.017BAD ScoreGPT-4o
Evaluation results
| Method | Links | |
|---|---|---|
| GPT-4oPrompt=P22026.03 | 0.017 | |
| DeepSeek-R1Prompt=P52026.03 | 0.021 | |
| Claude 4.o SonnetPrompt=P42026.03 | 0.033 | |
| DeepSeek-R1Prompt=P42026.03 | 0.037 | |
| LLaMA-4Prompt=P52026.03 | 0.039 | |
| DeepSeek-R1Prompt=P22026.03 | 0.046 | |
| LLaMA-4Prompt=P42026.03 | 0.048 | |
| LLaMA-4Prompt=P12026.03 | 0.049 | |
| Gemma-3n E4BPrompt=P22026.03 | 0.054 | |
| Claude 4.o SonnetPrompt=P12026.03 | 0.055 | |
| LLaMA-4Prompt=P22026.03 | 0.07 | |
| LLaMA-4Prompt=P32026.03 | 0.075 | |
| Claude 4.o SonnetPrompt=P52026.03 | 0.08 | |
| Claude 4.o SonnetPrompt=P32026.03 | 0.087 | |
| Gemma-3n E4BPrompt=P32026.03 | 0.088 | |
| Gemma-3n E4BPrompt=P12026.03 | 0.103 | |
| Gemma-3n E4BPrompt=P52026.03 | 0.109 | |
| Gemma-3n E4BPrompt=P42026.03 | 0.112 | |
| Claude 4.o SonnetPrompt=P22026.03 | 0.126 | |
| GPT-4oPrompt=P32026.03 | 0.154 | |
| DeepSeek-R1Prompt=P32026.03 | 0.16 | |
| DeepSeek-R1Prompt=P12026.03 | 0.19 | |
| GPT-4oPrompt=P42026.03 | 0.192 | |
| GPT-4oPrompt=P12026.03 | 0.221 | |
| GPT-4oPrompt=P52026.03 | 0.233 |